遥感课程理解与应用读书报告

遥感图像理解与应用读书报告
一、概述
遥感主要是为地学研究提供数据源，但由于遥感数据获取的是地物电磁辐射信息，不能直接用于各类地学研究，需要先对遥感数据进行处理。

对遥感数据的处理，包括遥感数据预处理、遥感数据理解。

预处理包括对数据几何校正和图像配准、图像融合、图像镶嵌与裁剪、大气校正，使遥感数据与地理上的空间点相对应，包括位置对应以及位置辐射值的对应。

而对遥感图像的理解则是根据遥感数据中的辐射值确定不同位置的目标类型、属性等信息，使数据符合人的空间认知。

遥感图像理解这门课程首先介绍遥感原理，它是通过获取和分析目标的电磁辐射信息，来了解目标的其他属性信息的科学和技术。

然后介绍遥感图像，包括获取手段（直接获取，间接由现有图件或照片获取）、显示方式（真彩色、假彩色、伪彩色）、图像属性（四种分辨率）等。

再对遥感图像中的目标做介绍，指出遥感最重要目的就是获取遥感图像目标及其语义解释。

遥感图像目标表现于图像中的特征包括图像可视特征、图像参数特征和光谱特征，信息丰富目标识别能力增强。

其中图像可视特征包括目标的亮度、颜色、纹理、边沿、轮廓、形态、大小等；图像参数特征是经过计算后得到的用于描述图像特征的各种参数，如图像灰度的均值、方差，图像的比值，图像的协方差、各阶矩，图像在变换域中的频谱等；图像光谱特征由各个波段的光谱值决定，包括平均光谱值大小、光谱曲线的变化趋势和光谱曲线中对地物信息具有标示性意义的一些几何参数，如波峰、波谷、斜率等。

在对遥感图像理解中，主要针对这些信息确定图像目标类型、属性等信息。

二、对遥感图像的理解
第四章对遥感图像的理解是重点内容。

针对地学应用的遥感图像中的目标是各种地理客体，因而这里的遥感图像理解也就是遥感图像的地学理解。

地学遥感图像理解则除了包括目标的几何关系、目标类别外，更重要的是理解目标的性质、性状、数量特征等。

其内涵主要有：目标类别、地物空间关系、目标的性状（物理、化学、生物参数）、目标的数量特征。

遥感图像理解包括图像处理、图像分析和图像理解三个层次的内容。

图像处理包括图像纠正（也叫数据预处理）和图像增强，纠正图像的几何误差和辐射误差，并突出所感兴趣的信息。

图像分析包括边缘检测、图像分类、空间分析，提取感兴趣的目标和信息，对图形空间信息进行综合分析。

课程主讲的图像理解侧重于计算机解译，从图像特征或光谱特征出发，有很多不同的方法。

从图像特征出发，图像特征理解步骤为图像预处理、目标检测、目标解释，主要是以图像中的目标为理解单元，一般多用于高分辨率遥感图像中。

从光谱特征出发，侧重光谱特征的理解包括数据预处理、波段选择、图像分类三步，一般用于低分辨率遥感图像中。

对遥感数据具体采用什么理解方法视具体情况而定，理想的方式是将图像特征与光谱特征结合进行。

三、侧重图像特征的图像理解
图像特征包括图像色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局、参数特征等。

基于图像目标检测的策略，用图像区域表达图像中的目标，其中点目标和线目标
是区域的特例。

因此图像目标可以用对应图像区域的边界（线）或区域（面）来表示，于是检测目标就可以从检测边界和检测区域两个途径进行。

从图像目标边缘出发，有各种边缘检测算子用于对图像目标进行检测识别。

针对不同的处理要求选用不同的边缘检测算子，一般有梯度算子、拉普拉斯算子、马尔算子等。

边缘检测之后还要进行边缘连接，使目标的边界成为一个整体，不零散断续。

基于图像目标区域的检测方法，是在某种或几种属性下考察每个像素的取值，若与某些其它像素的取值相同或相近，则将它们归为一类，即将它们标记为同一目标（或同类目标）。

基于区域的方法有两类：非监督分类和图像分割。

采用相似性或概率对图像划分一般称为图像分类，采用阈值（临界值）对图像划分一般称为图像分割。

其中图像分割考虑用于分割的属性（像素灰度、像素局部或邻域性质、与像素位置有关的像素灰度），分割的方法，阈值法分割中阈值的选取三个方面的内容。

非监督分类包括K均值法、ISODATA法、自适应人工神经网络非监督分类方法。

划分后的图像中每个子区域作为一个图像目标，对遥感图像的理解转为对各个目标的理解。

对每个目标提取其特征，进而依据特征对目标做出类别和其他属性方面的语义理解。

对目标的理解一种重要方法就是模式识别。

模式识别(pattern recognition)的目的是根据客体的属性信息实现对客体的认知，它研究人的识别能力的数学技术机理的科学。

其中分类是模式识别中最重要的一项内容。

四、侧重光谱特征的遥感图像理解
地物的辐射能量随波长变化而变化的函数关系称为地物的光谱或波谱。

以波长为横坐标、以发射率或反射率为纵坐标作出光谱的关系曲线称为光谱曲线。

同类地物具有某些典型的、稳定的相同或相近光谱，即其光谱的共性特征，称为该类地物的光谱特征。

地物的光谱特征可以分为单波段辐射值特征、光谱曲线形态特征（极值点位置和形态、总体形态）和光谱参数特征（指数参数、形态参数），在高光谱分析中，也可以利用波段组合特征进行目标识别。

在计算机模式识别中，首先对目标的属性进行测量，获得一组测量值，这些测量值有些可以直接作为其特征（如灰度值或光谱值），有些则需要进一步对测量值做变换而得到新的特征（如纹理参数、光谱指数等），这个过程称为特征提取。

在所提取的特征集中，进一步挑选最有效的特征的过程，称为特征选择。

特征提取和特征选择的一个基本原则就是：所得到的特征应使得样本模式能够得以有效地分类。

图像目标光谱匹配技术是计算图像目标与待匹配图像的光谱之间的某种相似性或不相似性(距离)，所依据的是目标的光谱特征。

通常是在两两像素之间进行光谱匹配。

主要依据特征提取和特征选择后确定的光谱特征进行。

根据关于对象的已知知识而做出将对象归类的判断称为决策。

光谱特征具有随机性，所以决策方法适宜采用统计决策。

贝叶斯统计决策就是其中一种，常用的最大似然法分类就是一种基于贝叶斯统计决策的分类方法。

非概率模型判别函数如决策树分类、最小距离分类、近邻法等。

五、总结
在对遥感图像理解之前，由于各种地形误差、大气影响、邻近地面单元影响等因素，导致探测器获取的数据不能完全代表对应地面信息，需要先进行图像纠正，减少各种误差的影响。

对图像的增强可以使感兴趣的信息更加清晰地表现，加深视觉印象，有助于对图像特征的理解。

这些都是遥感图像理解的准备工作。

之后针对不同地物特征，选用各种不同的分类或目标检测方法识别遥感图像中的地物。

这一步可以通过计算机进行，提高遥感图像理解应用的效率，这也是课程的主要内容。

后面针对提取出的目标还需要人工提取相应的属性，进一步获取相关信息，之后是对整幅遥感图像的分析和理解。

这样完成遥感图像应用之前的全部准备工作。

目标识别分为两大类方法：基于图像特征的识别，基于光谱特征的识别。

从图像特征出发，有基于边缘的各种目标检测方法和基于区域的非监督分类和图像分割的方法。

从光谱特征出发，主要从地物光谱特征曲线的性质考虑进行模式识别。

在地理学研究中，可以将遥感图像用于获取地面各种环境信息，包括地形、土地利用、突发环境灾害，时间序列的地形变化等。

遥感可以为地理学研究提供多尺度、多时间序列以及多种要素的数据。

可以用不同时间序列的遥感数据，模拟环境变化、土地利用变化对环境的影响，监测各类用地数量是否在控制指标内（如森林覆盖率是否达到要求）；不同空间分辨率的数据用于监测不同尺度下的地理学规律，城市扩张、交通网络变化、全球环境变化监测、湖泊水华现象等。

将遥感数据用于地质方面，识别岩性、地质构造等，用于水体中悬浮物质测定、水温水深探测、水体污染探测，植物类别亚类的区分、作物生长状况测定及估产，土壤类型区分等等。

将遥感与地理信息系统、全球定位系统相结合，遥感数据也有更加广泛的应用范围。

六、文献评述
研究涉及到神经网络用于遥感图像分类的方方面面，包括数据表达、网络构建、分类结果分析、权重可视化曲线、纹理信息运用、分类图像平滑。

将遥感图像的神经网络分类的整个过程介绍得十分详尽完整。

由于一般研究介绍到分类结果分析后就结束了，而这篇文章后面对分类后的数据处理也做出详细介绍，内容很充实。

另外权重可视化曲线部分，对神经网络分类的过程进行物理解释，对分类原理有了整体印象，揭开神经网络分类的神秘面纱。

纹理信息运用提高分类精度的同时，降低图像的椒盐噪声。

最后通过对分类图像的平滑处理，进一步降低图像分类结果中的噪声。

所有分类结果都与最大似然法分类结果对比，分析各种方法的优劣，并尽量指出原因和用一定的数据分析支持。

文中对参数的选取都有具体说明，并选择不同参数对比试验结果。

并针对不同具体问题，运用不同的神经网络。

分类中，用到三层神经网络；平滑中用到两层神经网络。

文章引用文献较多，对文中的观点都有很好的支撑作用，文章中的原理也深入浅出，容易理解。